پیش‌بینی تقاضای روزانه آب شهر شیراز با استفاده از شبکه‌عصبی و الگوریتم بهینه‌سازی ‌‌‌کلونی زنبور عسل

آب و توسعه پایدار

مقاله 3، دوره 9، شماره 2 - شماره پیاپی 24، شهریور 1401، صفحه 9-18   

نوع مقاله: پژوهشی کاربردی

شناسه دیجیتال (DOI): 10.22067/jwsd.v9i2.2201.1117

نویسندگان

الهام اسراری^{* 1}؛ محمد حسینی²

¹دانشیار، گروه فنی و مهندسی، دانشگاه پیام نور، تهران، ایران

²دانش‌آموخته کارشناسی‌ارشد، گروه فنی و مهندسی، دانشگاه پیام نور، تهران، ایران

چکیده

دسترسی به آب شرب بهداشتی یکی از مهمترین نیازهای بشری و حقوق شهروندی است. به همین دلیل، تأمین، انتقال، تصفیه و توزیع آب شرب بهداشتی به‏منظور رفع نیازهای آب مشترکین شهری و روستایی یکی از وظایف اولیه و اولویت‌های هر دولتی است. پیش‌بینی تقاضای آب در سیستم‌های آبرسانی و توزیع آب، کمک شایانی به مدیران مرتبط با تامین آب، جهت مدیریت و جلوگیری از بروز بحران و برنامه‌ریزی تامین آب، سرویس و نگهداری تجهیزات و تأسیسات، فرهنگ‌سازی، اطلاع‌‌رسانی و غیره خواهد‌‌ داشت. در این مقاله روشی ترکیبی مبتنی بر روش‌های شبکه‌ عصبی و بهینه‌سازی کلونی زنبور عسل برای پیش‌بینی تقاضای ‌آب شرب و بهداشت شهر شیراز ارائه شده‌‌‌‌‌‌‌ است. هدف از این مقاله ارتقای دقت پیش‌بینی تقاضای ‌آب با به‏کارگیری روش شبکه ‌عصبی بود. پارامترهای در نظر گرفته ‌شده جهت مدل‏سازی پیش‌بینی تقاضای ‌آب شامل اطلاعات گذشته تقاضای‌ آب، دمای ‌هوا، جمعیت، وزش‌ باد و تاریخ است. اطلاعات استفاده شده برای آموزش شبکه‌ عصبی شامل 10 سال از سال 88 تا 97 بود. جهت صحت‌سنجی و بررسی عملکرد روش پیشنهادی، تقاضای ‌آب سال 98 و فروردین 99 پیش‌بینی و با آمار واقعی مقایسه شد. بر اساس نتایج به‏دست آمده روش پیشنهادی به‌طور مناسبی توانسته پیش‌بینی تقاضای ‌آب را انجام ‌دهد. روش پیشنهادی دقت مطلوبی داشته و انحراف پیش‌بینی تقاضای آب در بدترین شرایط به عدد یک درصد رسیده که مقدار قابل ‌قبولی ‌است. از لحاظ آماری نتایج به‌دست‌آمده با استفاده از پارامتر MAPE با تحقیقات پیشین مقایسه شد، از این منظر روش پیشنهادی قابل‌ اطمینان‌ بوده و کارایی مناسبی در پیش‌بینی تقاضای ‌آب سیستم شهر شیراز داشته ‌است.

کلیدواژه‌ها

ارتقای سیستم آبرسانی؛ پیش‌بینی تقاضای ‌آب؛ شیراز؛ شبکه ‌عصبی

مراجع

Abiodun O. I., Jantan A., Omolara A. E., Dada K. V., Mohamed N. A and Arshad H. 2018. State-of-the-art in artificial neural network applications: A survey. Heliyon, 4(11): e00938.
Bakker H., van Duistc K., van Schagen K., Vreeburg J. and Rietved L. 2014. Improving the performance of water demand forecasting models by using weather input, Procedia Engineering, 70: 93-103.
Candelieri A. 2017. Clustering and Support Vector Regression for Water Demand Forecasting and Anomaly Detection. Water, (3): 224-243.
Chen S., Guohua F., Xianfeng H. and Yuhong Zh. 2018. Water Quality Prediction Model of a Water Diversion Project Based on the Improved Artificial Bee Colony–Back propagation Neural Network, Water, 10(6): 806.        
Ghalehkhondabi I., Ardjmand E. and Young W.A. 2017. Water demand forecasting: review of soft computing methods. Environmental Monitoring and Assessment Journal, 189(7): 313-330.
Graf R., Zhu S. and Sivakumar B. 2019. Forecasting river water temperature time series using a wavelet–neural network hybrid modelling approach. Journal of Hydrology, 578: 124115.
Goldberg David E. 1989. Genetic algorithms in search, optimization and machine learning, 1st ed. Addison-Wesley Longman Publishing Co., Inc, Boston.
Guo L., Fu P., Shi T., Chen Y., Zeng C., Zhang H. and Wang S. 2021. Exploring influence factors in mapping soil organic carbon on low-relief agricultural lands using time series of remote sensing data. Soil and Tillage Research, 210: 104982.
Hutton C., Hofman J. and Kapelan Z. 2020. Water demand forecasting accuracy and influencing factors at different spatial scales using a Gradient Boosting Machine. Water Resources Research. 56(8): 1-13.
Kozłowski E., Kowalska B. and Kowalski D. 2018. Water demand forecasting by trend and harmonic analysis. Archivs Civil and Mechnical.Engineering, 18: 140–148.
Meireles I., Sousa V., Bleys B. and Poncelet B. 2022. Domestic hot water consumption pattern: Relation with total water consumption and air temperature. Renewable and Sustainable Energy Reviews, 157: 112035.
Nazemi A. and Wheater H. S. 2015. On inclusion of water resource management in Earth system models–Part 1: Problem definition and representation of water demand. Hydrology and Earth System Sciences, 19(1): 33-61.
Smolak K., Kasieczka B., Fialkiewicz W., Rohm W., Siła-Nowicka K. and Kopańczyk K. 2020. Applying human mobility and water consumption data for short-term water demand forecasting using classical and machine learning models. Urban Water Journal, 17(1): 32-42.
Tavanpour N., Noshadi M. and Tavanpour N. 2016. Scale formation and corrosion of drinking water pipes: a case study of drinking water distribution system of Shiraz city. Modern Applied Science, 10(3): 166-177.
Wang Y., Jian L., Rong L, Xinyu S. and Enhui L.(2020. Precipitation forecast of the Wujiang River B based on artificial bee colony algorithm and backpropagation neural network, Alexandria Engineering Journal, 59: 1473–1483.
Waqas Khan P., Byun Y. C., Lee S. J. and Park N. 2020. Machine learning based hybrid system for imputation and efficient energy demand forecasting. Energies, 13(11): 2681.
Zubaidi S. L., Al-Bugharbee H., Ortega-Martorell S., Gharghan S. K., Olier I., Hashim K. S and Kot P. 2020. A novel methodology for prediction urban water demand by wavelet denoising and adaptive neuro-fuzzy inference system approach. Water, 12(6): 1628.
Zubaidi S. L., Ortega-Martorell S., Kot P., Alkhaddar R. M., Abdellatif M., Gharghan S. K and Hashim K. 2021. A method for predicting long-term municipal water demands under climate change. Water Resources Management, 34(3): 1265-1279.